MissingIndicator

classsklearn.impute.MissingIndicator(*, missing_values=nan, features='missing-only', sparse='auto', error_on_new=True)[исходный код]

Бинарные индикаторы пропущенных значений.

Обратите внимание, что этот компонент обычно не следует использовать в стандартном Pipeline, состоящем из преобразователей и классификатора. Вместо этого его можно добавить с помощью FeatureUnion или ColumnTransformer.

Подробнее см. в руководстве пользователя.

Добавлено в версии 0.20.

Параметры:

missing_valuesint, float, str, np.nan or None, default=np.nan

Заполнитель для пропущенных значений. Все вхождения missing_values будут импутированы. Для фреймов данных pandas с nullable-типами целых чисел, содержащими пропущенные значения, следует задать missing_values равным np.nan, поскольку pd.NA будет преобразовано в np.nan.

features{‘missing-only’, ‘all’}, default=’missing-only’

Должна ли маска импутера представлять все признаки или их подмножество.

• Если 'missing-only' (по умолчанию), маска импутера будет представлять только признаки, содержащие пропущенные значения во время обучения.
• Если 'all', маска импутера будет представлять все признаки.

sparsebool or ‘auto’, default=’auto’

Должен ли формат маски импутера быть разреженным или плотным.

• Если 'auto' (по умолчанию), маска импутера будет иметь тот же тип, что и входные данные.
• Если True, маска импутера будет разреженной матрицей.
• Если False, маска импутера будет массивом numpy.

error_on_newbool, default=True

Если True, transform вызовет ошибку, если в данных есть признаки с пропущенными значениями, у которых не было пропущенных значений при вызове fit. Применяется только если features='missing-only'.

Атрибуты:

features_ndarray of shape (n_missing_features,) or (n_features,)

Индексы признаков, которые будут возвращены при вызове transform. Они вычисляются при вызове fit. Если features='all', features_ равно range(n_features).

n_features_in_int

Количество признаков, обнаруженных при обучении (fit).

Добавлено в версии 0.24.

feature_names_in_ndarray of shape (n_features_in_,)

Названия признаков, обнаруженных при обучении (fit). Определяется, только если X содержит названия признаков, все из которых являются строками.

Добавлено в версии 1.0.

См. также

SimpleImputer

Одномерная импутация пропущенных значений.

IterativeImputer

Многомерная импутация пропущенных значений.

Примеры

>>> import numpy as np
>>> from sklearn.impute import MissingIndicator
>>> X1 = np.array([[np.nan, 1, 3],
...                [4, 0, np.nan],
...                [8, 1, 0]])
>>> X2 = np.array([[5, 1, np.nan],
...                [np.nan, 2, 3],
...                [2, 4, 0]])
>>> indicator = MissingIndicator()
>>> indicator.fit(X1)
MissingIndicator()
>>> X2_tr = indicator.transform(X2)
>>> X2_tr
array([[False,  True],
       [ True, False],
       [False, False]])

fit(X, y=None)[исходный код]

Обучить преобразователь на X.

Параметры:

X{array-like, sparse matrix} of shape (n_samples, n_features)

Входные данные, где n_samples — количество образцов, а n_features — количество признаков.

yИгнорируется

Не используется; параметр присутствует по соглашению для согласованности API.

Возвращает:

selfobject

Обученный оценщик.

fit_transform(X, y=None)[исходный код]

Создать индикатор пропущенных значений для X.

Параметры:

X{array-like, sparse matrix} of shape (n_samples, n_features)

Входные данные для дополнения.

yИгнорируется

Не используется; параметр присутствует по соглашению для согласованности API.

Возвращает:

Xt{ndarray, sparse matrix} of shape (n_samples, n_features) or (n_samples, n_features_with_missing)

Индикатор пропущенных значений для входных данных. Тип данных Xt будет логическим.

get_feature_names_out(input_features=None)[исходный код]

Получить названия выходных признаков для преобразования.

Параметры:

input_featuresarray-like of str or None, default=None

Входные признаки.

• Если input_features — None, то в качестве названий признаков используются feature_names_in_. Если feature_names_in_ не определено, генерируются следующие названия входных признаков: ["x0", "x1", ..., "x(n_features_in_ - 1)"].
• Если input_features — array-like, то input_features должно соответствовать feature_names_in_, если определено feature_names_in_.

Возвращает:

feature_names_outndarray of str objects

Названия преобразованных признаков.

get_metadata_routing()[исходный код]

Получить маршрутизацию метаданных этого объекта.

Описание работы механизма маршрутизации см. в руководстве пользователя.

Возвращает:

routingMetadataRequest

Объект MetadataRequest, содержащий информацию о маршрутизации.

get_params(deep=True)[исходный код]

Получить параметры этого оценщика.

Параметры:

deepbool, default=True

Если True, будут возвращены параметры этого оценщика и содержащихся в нём подобъектов, являющихся оценщиками.

Возвращает:

paramsdict

Имена параметров и соответствующие им значения.

set_output(*, transform=None)[исходный код]

Задать контейнер выходных данных.

Подробнее см. в руководстве пользователя, а пример использования API см. в разделе Знакомство с API set_output.

Параметры:

transform{“default”, “pandas”, “polars”}, default=None

Настроить формат выходных данных transform и fit_transform.

• "default": формат выходных данных преобразователя по умолчанию
• "pandas": выходные данные в виде DataFrame
• "polars": выходные данные в формате Polars
• None: конфигурация преобразования остаётся без изменений

Добавлено в версии 1.4: добавлен параметр "polars".

Возвращает:

selfэкземпляр оценщика

Экземпляр оценщика.

set_params(**params)[исходный код]

Задать параметры этого оценщика.

Метод работает как с простыми оценщиками, так и с вложенными объектами (например, Pipeline). Параметры последних имеют вид <component>__<parameter>, что позволяет обновлять каждый компонент вложенного объекта.

Параметры:

**paramsdict

Параметры оценщика.

Возвращает:

selfэкземпляр оценщика

Экземпляр оценщика.

transform(X)[исходный код]

Создать индикатор пропущенных значений для X.

Параметры:

X{array-like, sparse matrix} of shape (n_samples, n_features)

Входные данные для дополнения.

Возвращает:

Xt{ndarray, sparse matrix} of shape (n_samples, n_features) or (n_samples, n_features_with_missing)

Индикатор пропущенных значений для входных данных. Тип данных Xt будет логическим.